Desain Interaksi Agent Setelah Akuisisi Poke oleh Cognition
Akuisisi Poke oleh Cognition menunjukkan bahwa keunggulan AI agent tidak hanya ditentukan oleh model, tetapi juga oleh cara agent berinteraksi, meminta klarifikasi, menampilkan status, dan melibatkan persetujuan manusia.
Desain Interaksi Agent Setelah Akuisisi Poke oleh Cognition
Akuisisi Poke oleh Cognition menarik karena sinyalnya cukup jelas: persaingan AI agent tidak lagi hanya soal siapa yang memakai model paling kuat. Dalam workflow nyata, yang sering menentukan berhasil atau gagalnya otomasi justru adalah desain interaksi agent.
TechCrunch melaporkan bahwa akuisisi ini membawa gaya percakapan dan model interaksi Poke ke Devin, coding agent milik Cognition. Itu penting, tetapi kita perlu membedakan dua hal: laporan media tentang arah integrasi, dan fakta teknis yang belum diumumkan secara publik.
Yang bisa kita katakan dari informasi publik adalah Cognition tampaknya melihat pengalaman interaksi sebagai bagian strategis dari produk agent. Yang belum bisa kita pastikan adalah detail implementasi teknisnya, misalnya bagaimana Poke akan diintegrasikan ke arsitektur Devin, apakah ada perubahan pada sistem planning, memori, approval, atau tooling internal. Detail seperti itu belum tersedia dari konteks yang ada.
Namun dari sisi produk dan operasional, arahnya masuk akal. AI agent yang pintar tetapi sulit diajak kerja sama akan menciptakan beban baru. Sebaliknya, agent yang mampu berkomunikasi dengan jelas, memahami konteks, meminta klarifikasi pada waktu yang tepat, dan menampilkan status tindakan secara transparan bisa menjadi keunggulan operasional.
Personality Agent Bukan Sekadar Gaya Bahasa
Ketika orang membahas personality AI, yang sering muncul adalah nada bicara: ramah, santai, formal, lucu, atau terasa seperti manusia. Menurut saya, itu hanya lapisan paling luar.
Dalam konteks AI automation, personality yang berguna adalah pola interaksi yang membuat pengguna lebih percaya dan lebih mudah mengendalikan pekerjaan agent. Agent yang baik bukan hanya menjawab dengan kalimat halus. Ia harus bisa menjelaskan apa yang sedang dilakukan, apa yang belum pasti, keputusan apa yang membutuhkan persetujuan manusia, dan risiko apa yang mungkin muncul.
Di sinilah desain interaksi menjadi pembeda. Dua agent bisa memakai model yang sama, tetapi menghasilkan pengalaman operasional yang sangat berbeda. Agent pertama langsung mengeksekusi tugas tanpa banyak penjelasan. Agent kedua merangkum pemahaman, mengonfirmasi asumsi penting, menunjukkan langkah yang akan dilakukan, lalu meminta approval sebelum tindakan berisiko. Untuk workflow bisnis, agent kedua biasanya lebih aman dan lebih mudah diadopsi.
Konteks Adalah Fondasi Workflow Agent
Masalah umum dalam otomasi adalah hilangnya konteks. Di dunia kerja, instruksi jarang berdiri sendiri. Ada kebijakan internal, preferensi tim, format dokumen, dependensi antar sistem, prioritas pelanggan, dan pengecualian yang tidak selalu tertulis jelas.
AI agent yang kuat harus bisa mengelola konteks ini. Bukan hanya mengingat chat sebelumnya, tetapi juga memahami batasan tugas. Misalnya, dalam workflow software engineering, agent perlu tahu apakah perubahan kode boleh langsung dibuat, apakah harus mengikuti style guide tertentu, apakah perlu menunggu review, dan apakah ada constraint dari sistem produksi.
Desain interface berperan besar di sini. Interface yang baik membantu pengguna memberikan konteks tanpa merasa sedang mengisi formulir panjang. Agent bisa menanyakan hal yang memang relevan, menyimpan preferensi yang berulang, dan menampilkan ringkasan konteks sebelum mulai bekerja.
Jika konteks tidak jelas, agent seharusnya tidak berpura-pura yakin. Ia perlu meminta klarifikasi.
Klarifikasi Mengurangi Biaya Koreksi
Dalam banyak workflow bisnis, biaya terbesar bukan hanya waktu eksekusi. Biaya terbesar sering muncul saat manusia harus mengoreksi hasil agent yang salah arah.
Contohnya, agent diminta membuat perubahan pada sistem internal. Jika instruksi ambigu, ada dua pilihan. Agent bisa langsung menebak, atau bertanya dulu. Menebak terlihat cepat di awal, tetapi berisiko menghasilkan output yang harus dibongkar ulang. Bertanya terasa lebih lambat, tetapi sering menghemat waktu total.
Saya melihat klarifikasi sebagai fitur produktivitas, bukan hambatan. Agent yang bertanya dengan tepat menunjukkan bahwa ia memahami batas kemampuannya. Pertanyaan klarifikasi yang baik juga tidak bertele-tele. Idealnya, agent menawarkan opsi konkret seperti:
- Apakah perubahan ini hanya untuk lingkungan staging atau juga production?
- Apakah saya boleh membuat pull request baru atau memperbarui branch yang ada?
- Apakah prioritasnya kompatibilitas, performa, atau waktu implementasi?
- Apakah tindakan ini membutuhkan approval dari tim tertentu?
Pertanyaan seperti ini mengurangi miskomunikasi. Dalam skala organisasi, pengurangan koreksi kecil di banyak task bisa berubah menjadi efisiensi besar.
Status Tindakan Membuat Agent Lebih Bisa Dipercaya
Salah satu kekurangan banyak assistant adalah pengguna tidak tahu apa yang sedang terjadi. Agent terlihat diam, lalu tiba-tiba memberikan hasil. Untuk percakapan sederhana, ini mungkin cukup. Untuk pekerjaan operasional, ini tidak cukup.
Agent yang digunakan di workflow bisnis perlu menampilkan status tindakan secara jelas. Misalnya:
- memahami instruksi
- memeriksa konteks
- merencanakan langkah
- menjalankan tool tertentu
- menunggu hasil
- menemukan masalah
- membutuhkan approval
- selesai dengan ringkasan perubahan
Status seperti ini membuat pengguna bisa melakukan intervensi lebih cepat. Jika agent salah memahami tujuan, pengguna bisa menghentikan sebelum eksekusi terlalu jauh. Jika agent menunggu input eksternal, tim bisa segera tahu bottleneck-nya.
Bagi saya, ini salah satu alasan desain interaksi agent akan menjadi keunggulan operasional. Transparansi status bukan kosmetik. Itu bagian dari kontrol proses.
Human Approval Tetap Penting
Semakin kuat agent, semakin penting mekanisme persetujuan manusia. AI automation yang baik bukan berarti semua hal dijalankan otomatis tanpa kontrol. Justru, sistem yang matang tahu kapan harus berhenti dan meminta izin.
Human approval penting terutama untuk tindakan yang berdampak besar, seperti:
- mengubah data produksi
- mengirim email ke pelanggan
- melakukan deployment
- menghapus resource
- membuat keputusan finansial
- mengubah konfigurasi keamanan
Interface agent perlu membuat approval terasa ringan tetapi jelas. Pengguna harus tahu apa yang akan dilakukan, mengapa tindakan itu diperlukan, apa risikonya, dan bagaimana cara membatalkan atau mengubah rencana.
Approval yang buruk hanya berupa tombol “OK” tanpa konteks. Approval yang baik memberikan ringkasan tindakan, daftar dampak, dan opsi alternatif. Dengan begitu, manusia tidak hanya menjadi stempel, tetapi tetap menjadi pengendali keputusan.
Keunggulan Operasional Ada di Detail UX
Akuisisi Poke oleh Cognition bisa dibaca sebagai tanda bahwa lapisan pengalaman pengguna semakin penting dalam produk AI agent. Jika semua pemain bisa mengakses model yang kuat, diferensiasi akan bergeser ke hal-hal yang lebih dekat dengan pekerjaan harian pengguna.
Dalam praktiknya, keunggulan operasional muncul dari detail seperti:
- seberapa cepat agent memahami konteks kerja
- seberapa baik agent menjelaskan rencana
- kapan agent bertanya dan kapan agent mengeksekusi
- bagaimana agent menampilkan progres
- seberapa mudah manusia memberi approval
- seberapa mudah hasil agent diaudit
- seberapa kecil kebutuhan koreksi setelah tugas selesai
Ini bukan sekadar UX dalam arti tampilan. Ini adalah desain proses kerja antara manusia dan agent.
Pelajaran untuk Tim yang Membangun AI Automation
Untuk tim yang sedang membangun AI automation, saya melihat beberapa pelajaran praktis.
Pertama, jangan hanya mengukur kualitas agent dari jawaban akhir. Ukur juga kualitas perjalanan menuju jawaban itu. Apakah agent membuat asumsi yang benar? Apakah ia bertanya saat perlu? Apakah ia menjelaskan status dengan cukup jelas?
Kedua, desain approval sejak awal. Jangan menambahkannya belakangan setelah ada risiko operasional. Setiap workflow penting perlu memiliki batas antara tindakan yang boleh otomatis dan tindakan yang harus disetujui.
Ketiga, buat interface yang mengurangi pekerjaan koreksi. Jika pengguna sering harus memperbaiki output agent, masalahnya mungkin bukan hanya model. Bisa jadi konteks tidak tertangkap, status tidak transparan, atau agent terlalu cepat mengeksekusi tanpa klarifikasi.
Keempat, catat keputusan dan jejak tindakan. Dalam bisnis, hasil saja tidak cukup. Tim perlu tahu mengapa agent melakukan sesuatu dan input apa yang digunakan.
Penutup
Akuisisi Poke oleh Cognition menunjukkan arah yang menarik dalam pasar AI agent. Personality dan desain interaksi bukan lagi pelengkap. Keduanya bisa menjadi faktor yang menentukan apakah agent benar-benar membantu operasi bisnis atau justru menambah pekerjaan baru.
Menurut saya, agent masa depan yang unggul bukan hanya yang paling pintar menjawab. Agent yang unggul adalah yang paling enak diajak bekerja: paham konteks, jujur saat tidak yakin, meminta klarifikasi dengan tepat, menampilkan status tindakan, dan tahu kapan harus meminta approval manusia.
Di level bisnis, kualitas interaksi seperti itu bisa langsung berdampak pada efisiensi. Semakin sedikit koreksi, semakin sedikit miskomunikasi, dan semakin jelas kontrol manusia, semakin besar peluang AI automation menjadi bagian yang stabil dari operasi harian.